问题——重大科学突破面临的共性瓶颈正显现。当前，科学研究加速交叉融合，数据规模快速增长，实验与计算耦合更紧密，但不少团队仍受限于算力资源分散、数据标准不统一、从理论推演到实验验证周期较长、成果转化衔接不顺等现实问题。尤其在材料、生命、能源等领域，研究往往需要在多学科知识、复杂计算与可重复实验之间反复迭代，传统科研组织方式在效率和协同上压力加大。 原因——“工具叠加”难以替代“体系化重构”。业内人士认为，推动科学进展的关键不只是引入单点技术，更在于形成覆盖数据、算力、模型、实验与应用的系统工程：一上，科研数据来源广、格式多、质量不一，缺少高可信、可计算、可复用的数据底座；另一方面，通用算力、超算与智能算力之间的调度与互通仍有壁垒，影响大规模科学计算与模型训练效率；同时，科研成果走向真实场景需要稳定的工程化能力、跨机构协作机制与长期项目管理支持，仅靠课题组各自推进难以形成闭环。 影响——构建“科学智能创新中枢”有望重塑科研生产力。在上述背景下，上海人工智能实验室在会上发布“AGI4S珠穆朗玛计划”，提出以全链路打通、全要素协同为导向，面向重大科学问题打造综合支撑体系。计划旨在形成更通用、更可迁移的科研底座能力，推动科研范式从“经验驱动”加速转向“数据与模型驱动、推演与验证闭环”，从而缩短研发周期、降低试错成本、提升原始创新效率，并为成果工程化与产业化提供更顺畅的通道。 对策——三大支撑体系贯通“算力—数据—实验—孵化”关键环节。 一是基础设施协同，强调一体化联动。上海人工智能实验室提出建设“算力—数据—自主实验”协同的科研基础设施：通过超智融合算力平台连接通算、超算、智算等资源，为不同科研任务提供弹性支撑；以科学智能数据库作为数据底座，提升数据规模、准确度与更新效率，增强数据可用性；同时引入自主实验平台，加快“计算推演—实验验证”闭环，压缩从假设到证据的时间成本。在模型与工具层面，计划以科学基座模型与科学发现平台为牵引，提供覆盖问题理解、计算推理、结果生成与流程管理的一站式能力，服务多学科研究需求。 二是科学场景共建，强调真实需求牵引。计划提出与多方力量共同推进算力、数据共建，并推动国内顶尖院所、研究机构及企业联合打造科学智能应用场景。业内认为，重大突破往往来自对关键科学问题的长期深耕，场景共建有助于把“科研痛点”转化为可量化的技术目标，让能力建设更贴近科学问题本身，避免技术与需求脱节。通过跨学科、跨机构协作，既能沉淀可复用的方法与工具，也有利于在更多领域完成验证与推广。 三是全程孵化机制升级，强调人才与项目“双轮驱动”。上海人工智能实验室在会上启动“浦江青年学者”计划，并发布面向重大科学突破的“攀登者计划”2.0，构建贯通“实验室—上海市—国家级”的三级项目支持体系，引入项目经理人机制，提供从种子期培育到成果转化落地的全周期支持。据介绍，自有关机制启动以来，已吸引全球数百份课题申报，入选项目覆盖数学、物理、化学、材料、生命、能源等方向，并在部分真实场景中完成价值验证。该安排旨在以更稳定的组织方式支持长期、高风险、高价值研究，提升跨界协同与资源匹配效率。 前景——开放共享将成为科学智能创新的重要路径。随着科研活动走向数据密集型与模型驱动型，未来竞争焦点将从单一算法能力扩展到“基础设施+场景+组织机制”的综合能力。“AGI4S珠穆朗玛计划”提出以开放共享汇聚创新要素，有望在更大范围促成数据、算力与科研工具的互联互通，推动形成可复制、可推广的科学智能创新范式。同时，如何在开放协作中强化数据治理、科研伦理与可信评估，如何让科研平台聚焦原创性问题、避免短期化与同质化，仍是下一阶段需要持续完善的重点。
重大科学突破往往不是单点技术的突进，而是基础设施、科研机制与人才生态共同作用的结果。以更高水平的协同供给，让科学家“敢想、能算、可证、可用”，把创新要素汇聚到真正有价值的原创问题上，才能在攀登科学高峰的道路上不断积累确定性、孕育新可能。